基于改進孿生支持向量機的新型電力系統繼電保護故障診斷模型

譚金龍, 熊小伏, 陳 軍, 南東亮, 周 勇

(1. 重慶大學 輸配電裝備及系統安全與新技術國家重點實驗室, 重慶 400030; 2. 國網新疆電力有限公司 電力科學研究院, 新疆 烏魯木齊 830011)

隨著社會生產生活水平的日益提高,對電能質量也提出了更高的要求,其中,可靠性是評判電能質量的關鍵指標[1]。而繼電保護可以通過對電力系統進行實時運行監測,及時、準確地預警并隔離可能發生的故障情況,其在較大程度上保障了電網的安全、穩定運行,對提高電力供應的可靠性具有重要意義。智能電力系統作為電力行業的主要研究熱點,對繼電保護、電網調度決策以及故障分析處理均提出了更高的要求[2]。

傳統的繼電保護系統對于異常檢測通常采用單一閾值判定,方法在潛伏性故障判定及動作準確性等方面仍有一定的局限性。大部分基于繼電保護方面的理論和技術仍存在一定的不足,使電力系統的智能化發展及應用受到較大的限制[3-4]。

近年來,針對電力系統故障診斷的研究主要集中在智能變電站內的繼電保護系統。王曉麗等[5]針對電力系統元件故障網絡形成的數據集,提出了一種基于機器學習(machine learning,ML)的繼電保護診斷分類方法,并利用Fisher判別式(fisher linear discrimination,FLD)多類型判別法有效實現了故障診斷。ZHANG等[6]提出一種變分模式分接(variational mode decomposition,VMD)結合卷積神經網絡(convolutional neural networks,CNN)的配電網故障診斷和定位方法,在提取故障特征后輸入CNN模型中,保證了故障位置的快速、準確定位;鄭浩野[7]針對傳統故障診斷不夠全面的問題,設計了一種基于時序網絡結合深度學習(deep learning,DL)的變電站繼電保護故障診斷方法,并有效提高了準確性。

上述研究為智能電力系統繼電保護故障診斷提供了一定的依據及支撐,但其相比于新型電力系統對繼電保護的高準確性和時效性要求仍有差距。本文提出了一種基于改進孿生支持向量機(twin support vector machine,TWSVM)的新型電力系統繼電保護故障診斷模型,以實現故障的快速、可靠識別。

1 新型電力系統下繼電保護架構

為了更好地應對新能源發電廣泛并網帶來的保護問題,本文設計了一種新型電力系統下的繼電保護架構,并采用網絡傳輸實現各類智能設備的信息共享。同時,還構建了故障時序信息模型以準確分析設備的故障狀態[8-9]。

多類型、多方式接入的新能源低電壓穿越控制及保護策略的差異較大,其低電壓穿越后的短路電路特征不同于同步發電機短路電流,從而使以故障特征為判別基礎的傳統診斷方法面臨巨大挑戰[10-13]。因此,根據新能源發電并網特性設計了一種新型繼電保護架構,如圖1所示。

圖1 新型繼電保護體系的架構Fig.1 Architecture of new relay protection system

在新型繼電保護體系中,一次電壓、電流的模擬量將通過電子互感器采集后傳輸到合并單元中,轉換成數字量后再利用以太網絡傳輸到保護裝置及智能終端。在故障情況下,智能終端將向斷路器發送跳閘指令以完成故障隔離。同時,保護、測控裝置的信息通過交換機傳輸至調控中心進行相關應用。此外,該體系利用以太網絡完成數據傳輸,有利于實現各種智能設備間的資源共享。

假設某個設備狀態量的時間序列Z為

Z={z1=(v1,t1),z2=(v2,t2),…,

zn=(vn,tn)}

(1)

式中:zn=(vn,tn)為設備觀測的狀態量信息時間序列在tn時刻獲得的狀態量;vn為設備的狀態信息模擬量;n為Z的長度。

變電站發生故障時,繼電保護設備首先動作,并實時記錄該設備的動作過程,即故障時的運行狀態。設報警信息為

v=v(I,Δt,S)

(2)

式中:I為故障信息,包括報警信息類型、時間等;Δt為故障持續時長;S為1或0時分別表示判定為準確值或近似值。

2 繼電保護故障診斷模型

支持向量機(support vector machines,SVM)是一種二分類模型,可以尋找一個超平面分割樣本,且分割原則為間隔最大化[14]。但SVM僅適用于處理凸二次規劃問題,適應性較差,因此引入數字孿生技術對其改進,同時利用蛙跳算法(leap-frog algorithm,LFA)對SVM的參數進行尋優,以獲得分類性能更為理想的網絡模型。

作為傳統支持向量機的改進版本,孿生支持向量機(TWSVM)旨在尋找一對不平行的超平面,所以其具有更優的分類能力[15-16]。相較于傳統SVM算法,改進后的TWSVM具有更高的計算效率,可以同時求解兩個SVM問題。

實際問題模型樣本數據通常較為復雜,且不僅是單純的二元分類。在故障特征空間中,簡單線性TWSVM分類已無法得到最優分類結果,因此通過引入核函數來進行優化,以解決非線性分類問題。假設在k維實數空間Rk中,樣本總數為m=m1+m2,其中,m1、m2分別為正、負類樣本點個數,則非線性TWSVM超平面的求解方程為

(3)

式中:κ為核函數;x為輸入矩陣;C=(A,B)T,A、B分別為正樣本和負樣本矩陣;u1、u2及b1、b2分別為正、負類樣本的超平面法向量與偏移量。通過二次規劃求解,正、負類樣本劃分后的平面分別可表示為

s.t.κ(B,CT)u1+e2b1≥e2

(4)

s.t.κ(B,CT)u2+e1b2≥e1

(5)

最后求解分類超平面,采用的分類決策函數為

(6)

當進行故障診斷時,TWSVM的參數設置較為困難,因此所提模型采用蛙跳算法(LFA)進行參數尋優,以提高故障診斷的準確率[17]。該算法通過青蛙跳躍到不同地點覓食而受到啟發,能夠優化局部解,進而實現全局最優。基于蛙跳算法優化的TWSVM在求解非線性問題時,需確定SVM的3個核心參數,即懲罰因子ζ1、ζ2及高斯核函數中的核參數σ。蛙跳算法優化TWSVM的具體步驟如圖2所示。

圖2 蛙跳算法優化TWSVM的具體流程Fig.2 Specific flow chart of TWSVM optimized by leapfrog algorithm

在蛙跳算法的尋優過程中,首先構建青蛙個體的初始種群Q,即第i個個體的位置設為三維向量Gi=(ζi1,ζi2,σi3),并通過求解種群內所有個體的目標函數值對其進行降序排列,且記下值最小的個體。其中優化目標函數為最小均方誤差,則適應度函數為

(7)

然后進行種群初始化分組,以目標函數值G的大小為區分,分別將各模組中最小、最大的青蛙記為FΔ、F。之后引入加速因子τ(τ>1),并適當增大步長以加快局部的收斂速度,對每只青蛙進行局部位置更新優化,以保證算法平穩。其更新方程為

(8)

式中:D為青蛙移動步長;r為隨機數,介于0～1之間。

在更新數據后,若子代青蛙優于父代,便在原組內進行青蛙替換;反之則需利用原始種群內最小G值的青蛙替代FΔ進行局部位置更新。經過多輪局部位置更新,將所有分組進行劃分并完成組內的混合排序,以便進行新的局部位置更新,直至完成所有迭代輸出最優解。蛙跳算法尋優后的TWSVM故障類型診斷流程如圖3所示。

圖3 新型繼電保護的故障診斷流程Fig.3 Flow chart of fault diagnosis for new relay protection

基于蛙跳算法改進TWSVM的故障診斷流程如下:

1) 獲取系統設備的時序狀態數據,包括歷史數據和采集數據,并將其進行歸一化處理;

2) 根據設備歷史狀態時序數據訓練TWSVM,且利用蛙跳算法對其參數進行尋優,以獲得最佳TWSVM模型;

3) 將采集的設備狀態時序信息輸入尋優后的最佳TWSVM模型中進行處理,從而得到相應的故障類型。

3 實驗結果與分析

實驗搭建了新型電力系統仿真模型,如圖4所示,該系統包含了3臺變壓器T、4個分布式電源G及2個傳統電源PV(光伏)、W(風力發電)、3個負荷節點L以及若干母線和輸電線路,且各自配備相應的保護設備。

圖4 新型電力系統仿真結構Fig.4 Simulation architecture of new type power system

在模擬故障發生過程中,電壓為1 500 V,負荷側電壓為380 V,輸電線路電阻為0.164 Ω/km,電感則為0.24 mH/km。此外,改進TWSVM模型的參數設置為:τ=1.2,r=0.5,Dmax、Dmin分別取值1和4,最大迭代次數為100。

3.1 故障診斷結果

為了論證改進TWSVM網絡的分類效果,將其與SVM和TWSVM進行對比。隨著迭代次數的增加,3種網絡的故障診斷準確率如圖5所示。

圖5 不同網絡的故障分類準確率Fig.5 Fault classification accuracy of different networks

由圖5可以看出,改進TWSVM網絡的分類準確率最高,約為90%。原因在于該網絡采用蛙跳算法來進行參數尋優,分類性能更為優越,且相較TWSVM網絡的分類準確率提高了約7%。而SVM網絡的普適性較差,難以有效處理新型電力系統繼電保護的故障信息,故其分類準確率僅約為70%。

同時,在改進TWSVM網絡中,將故障發生時記錄下的電流、電壓以及網絡拓撲信息作為輸入,分別在前200個、500個和900個時間斷面的故障數據訓練后,利用樣本后100個時間斷面的故障數據作為測試集,可得分類準確率結果如表1所示。

表1 故障分類結果Tab.1 Fault classification results

由表1可知,測試故障類型的準確率隨訓練樣本的增大而逐漸提高,當測試樣本為900個時,其準確率達到了97.89%。

3.2 故障診斷結果對比分析

為了對所提方法的有效性進行深入驗證,本次還設置了與文獻[5]、文獻[6]和文獻[7]中方法的對比實驗。將故障類型分別設置在O1點和O2點,獲取系統數據樣本100個,通過重復10次測試,得到的故障診斷準確率均值如表2所示。

表2 不同類型故障的診斷準確率Tab.2 Diagnostic accuracy of different faults %

由表2可知,無論對于何種故障類型,所提方法的診斷準確度均為最高,且約為98%。相較于3種對比方法,其平均診斷準確率分別提升了約8%、6%及3%。這是因為其所采用的改進TWSVM網絡能夠處理非線性多分類的問題,同時還考慮了設備狀態的時序性,因此故障診斷結果更為精準。

同樣,在O1點和O2點上設置不同的故障類型,獲得100個測試樣本,通過10次重復實驗,4種方法的整體故障診斷準確率和診斷時間如圖6所示。其中診斷時間由仿真平臺返回具體數值。

圖6 不同方法的故障診斷結果Fig.6 Fault diagnosis results of different methods

從圖6中可以看出,相比于其他方法,所提方法的診斷效果最為理想,準確率和時間分別約為98.05%和1.48 s。由于改進TWSVM網絡采用了蛙跳算法進行預訓練,大幅縮短了診斷時間,并保證了故障分類的精度,且在調控中心進行統一分析,從而進一步保證了故障診斷的結果。文獻[5]利用機器學習實現繼電保護的診斷分類,其方法簡單易實現,因此診斷時間最短,但準確率低于90%。文獻[6]采用變分模式結合卷積神經網絡的方式進行配電網故障診斷和定位,能夠實現故障的準確、快速定位,但方法較為復雜,所以故障診斷時間超過了2.5 s。同樣,由于文獻[7]綜合考慮了故障時序特征、網絡拓撲結構以及保護裝置特性,因此其故障診斷準確率高達95%以上,但由于考慮的因素過于復雜,導致診斷時間劇增,超過了3 s。

4 結束語

針對傳統變電站繼電保護難以精準處理含大量新能源發電系統的故障診斷問題,本文提出了一種基于改進孿生支持向量機的新型電力系統繼電保護故障診斷模型。設計了一套新型電力系統繼電保護體系,并利用改進TWSVM網絡分析設備狀態時序數據,以完成故障分類。基于仿真平臺的實驗結果表明,改進TWSVM網絡的分類效果更優,且所提模型的故障診斷準確率與時間分別約為98.05%和1.48 s,能夠滿足新型電力系統對繼電保護的動作要求。

但由于本文僅對所提模型進行了仿真論證,仍缺乏一定的說服力。在接下來的研究中,將進一步把該模型運用于實際電力系統中,以提高其實際應用價值。